Python数据分析全流程实操指南

第一章 数据分析方法
11.1 什么是数据分析2
1.2 数据分析标准流程2
1.3 数据清洗7
1.4 数据探索8
1.5 模型开发10
1.6 模型应用11


第二章 初识Python12
2.1 Python基本概述13
2.2 Python编程语法基础14
2.3 数据分析常用Python库22
2.4 第三方Python库介绍23


第三章 NumPy数组与矩阵25
3.1 Ndarray对象26
3.2 数据类型27
3.3 数组属性28
3.4 创建数组30
3.5 数据索引与切片34
3.6 数组操作37
3.7 数组排序51
3.8 函数54
3.9 矩阵62


第四章 Pandas数据分析65
4.1 系列（Series）66
4.2 数据帧（DataFrame）68
4.3 基本功能介绍70
4.4 读取和写入数据78
4.5 索引和选择数据84
4.6 数据合并87
4.7 累计与分组91
4.8 时间序列处理96
4.9 缺失数据处理101
4.10 函数107
4.11 描述性统计115
4.12 绘制图形118


第五章 Scikit-Learn数据挖掘126
5.1 机器学习问题127
5.2 机器学习的基本流程127
5.3 数据处理128
5.4 特征选择131
5.5 模型调用135
5.6 模型参数说明138
5.7 交叉验证148
5.8 模型部署151


第六章 数据可视化153
6.1 Matplotlib绘制图形154
6.2 Seaborn绘制图形163
6.3 重要类型图形的绘制184


第七章 数据导入与导出192
7.1 连接数据库193
7.2 读取外部数据194
7.3 导出数据201


第八章 数据预处理203
8.1 数据去重204
8.2 缺失值处理205
8.3 变量操作210
8.4 样本选择217
8.5 数据集操作220


第九章 数据探索226
9.1 集中趋势227
9.2 离散程度230
9.3 分布状态234
9.4 相关分析236


第十章 线性回归分析241
10.1 线性回归模型242
10.2 最小二乘估计243
10.3 显著性检验244
10.4 预测245
10.5 相关性246
10.6 共线性247
10.7 案例分析——波士顿地区房价预测247


第十一章 Logistic回归分析260
11.1 逻辑回归模型介绍261
11.2 案例分析——泰坦尼克生存预测262


第十二章 决策树275
12.1 决策树介绍276
12.2 案例分析——金融产品推荐277


第十三章 主成分分析292
13.1 主成分分析的数学模型293
13.2 PCA函数说明294
13.3 案例分析——数据降维295


第十四章 聚类分析304
14.1 距离305
14.2 聚类方法306
14.3 确定聚类数309
14.4 聚类的分析步骤311
14.5 案例分析——客户群聚类分析312


第十五章 时间序列分析323
15.1 时间序列的组成部分324
15.2 确定性的时间序列模型325
15.3 随机时间序列模型325
15.4 ARMA模型的识别327
15.5 时间序列的分析步骤329
15.6 模型参数的估计329
15.7 案例分析——大气二氧化碳浓度预测331